图片/文字/公式都是一条线,已经能把method experiment表达清楚 ## Writing 1. introduction 1- 3 current trending? 2. related work & background knowledge 5050 10-15 数学背景/例子 公式 + 例子 1. 罗列, 1. a文章里,在b文章里克服了,缺陷可能在另一个问题里 2. 可以写成表格,都用到了diffusion? related work 都做了什么 3. 为什么会有这么多文章呢?在related work里 1. 讨论,讨论异同,通常情况下大家都会用到diffusion,怎么看待,condition应该加在unet上还是加到latent space上?用一个抽象的东西去做讨论,看文章,做总结, 1. quantum circuits vqc分成3个部分,通常情况下。。。 2. 能少用字少用字,字和图表是相辅相成的 3. method 1. 要有一个pipeline,从头到尾有一个框架,input/output是什么维度的? 2. 图上的东西在公式上应该有体现,看图/看文字/看公式都能对应起来,删了某一套,看其他的可能不清晰? 4. experiment 1. 跑通 2. 看在各种数据集上能不能跑? 3. 做出来result之后,为什么要选定这些超参数? role a hyperparameter 4. 做出来烂图可以用于比较 5. ablation study,比如说我们用了 feature encoder,告诉别人有这个东西和没这东西是效果不一样的 6. 可解释性?没必要知道, 可以知道 含糊的提供一些方向 could might be 告诉别人,我是怎么看待这个算法的可解释性的 5. conclusion 1. 好的实验,limitation是什么? 2. 提一些我们认为这个领域上面有可能有什么限制之类的,当时还没来得及实验的部分 考虑image这件事 你可以从这篇paper 开始,总结比如 1. key reseaech question 2.相比于前人的方法,什么是他的创新点,他是在文章的哪个部分介绍这些创新点的(在introduction?related work? method?)3. experiment有哪些 4.实验结果是用图,表格还是什么形式展现的,可以想想在你看来这种方式帮助读者了解了什么重要信息 ## Graph-DiT 2401.13858 ### Key research question 将合成分数和气体渗透率等多种属性作为条件约束集成到diffusion模型中 integrating multiple properties such as synthetic score and gas permeability as condition constraints into diffusion models remains unexplored graph dit是用来多条件分子生成用的 ### Innovation Point #### abstract 1. **Condition encoder** to learn the representation of numerical and categorical properties 条件编码器来学习数字和分类属性的表示 2. Utilises a **Transformer-based graph denoiser** to achieve molecular graph denoising under conditions. 使用一个基于transformer的图解噪器来达到有条件的分子图解噪 3. propose a graph-dependent noise model for training Graph DiT 提出一个基于图的噪声模型来训练GraphDiT,之前是针对原子和键在前向diffusion过程中分别添加噪声。 这个噪声模型是用来准确估计图相关的噪声 designed to accurately estimate graph-related noise in molecules #### Introduction 1. Existing work converted multiple conditions into a single one and solved the task as a single-condition generation 现有的工作是将多个条件变成一个条件,然后将任务当作是单条件的生成 坏处是属性有很多种,变成单个条件模型没法平衡条件 多条件由分类属性和数值属性混合而成,加法和乘法不足以组合 2. 通过*learning*将多种属性投射到representation中,从而指导分子生成的diffusion过程,这个是由condition encoder来完成 **condition encoder**使用一个基于聚类**clustering-based方法对于数值属性**,**one-hot编码对于分类属性来学习多属性表示** 3. **Graph-denoiser**首先集成(integrates)点和边features到一个图tokens,然后用ADaLN来解噪这些tokens到Transformer层。ADaLN在各个隐藏层中,替换化合物的统计(均值和方差)为条件的表示。 effectively outperforming other predictor-based and predictor-free conditioning methods,这种方法高效于其他基于predictor的和predictorfree的条件方法。 4. 我们观察到现有的前向扩散过程 [42, 22] 将噪声分别应用于原子和键,这可能会损害 Graph DiT 在噪声估计中的准确性。因此,我们提出了一种**新颖的图相关噪声模型** Graph-dependent Noise Mode,该模型可以有效地应用根据图中原子和键之间的依赖性定制的噪声。 #### Multi-Conditional Diffusion Model 1. Graph-dependent Noise Model, 使用一个$Q_G$来表示转移矩阵,一个单独的矩阵$X_G$来表示图tokens, $Q_{EV},Q_{VE}=\alpha \mathbf{I}+(1-\alpha^t)\mathbf{1}m'_{EV}$,其中$m'_{EV}$​表示原子和键的共同出现概率 2. Denoising Generation with Graph Diffusion Transformer 条件编码器:将时间步t视为特殊条件,获得具有正弦编码的D维表示t,数值/分类条件c_i,用不同的编码操作来获得D维表示。分类用one-hot,数值用聚类编码。把c_i赋值给clusters,Transforming the soft assignment vector of condition values into the representation。可以用Linear(Softmax(Linear(c_i)))来实现。最后我们可以得到条件的表示为c=encode(c_i) for i in range(1, M)。 For numerical conditions, we evaluate our proposed clustering-based approach against alternatives like direct or interval-based encodings 3. Graph Denoiser: Transformer Layers 在时间步t的noisy graph,graph tokens首先被encoded到hidden space中,比如$\mathbf{H}=Linear(X_G^t)$​​,然后我们用self-attention 和mLP来调整标准的transformer layer ![image-20240707180530040](http://ff.mhrooz.xyz:4080/2024/07/07/df1baca03148a.png) $\gamma(),\beta()$表示$f_\theta$的神经网络模块,每个都包含两个SiLU激活。对于残差网络我们有 ![image-20240707181139857](http://ff.mhrooz.xyz:4080/2024/07/07/31b0bafce3db2.png) 我们应用0来初始化$\alpha, \beta,\gamma$ 4. 在最后的Transformer 阿里也让后我们有H,然后MLP可以用来预测在t=0时点的概率和边的概率 $$ X_G^0=AdaLN(MLP(H),c) $$ 最终得到的$X_G$​表示原则和键 将生成的图形转换为分子的一种常见方法是只选择最大的连接部分[ 42 ],在我们的模型中称为图形 DiT-LCC。对于 DiT 图形,我们通过随机选择原子来连接所有组件。与图 DiT-LCC 相比,它对生成结构的改变最小,能更准确地反映模型性能。 #### related work not innovation point - Diffusion models have also been used for molecular property prediction [27], for conformation [47] and molecule generation with atomic coordinates in 3D [ 18 , 48, 3]. - DiGress[42]引入了离散噪声作为基于原子和键类型的边缘分布的转移矩阵。DiGress和GDSS研究了额外的预测模型来指导生成过程。 ### experiment #### abstract 1. We extensively validate the Graph DiT for multi-conditional polymer and small molecule generation. A polymer inverse design task for gas separation with feedback from domain experts further demonstrates its practical utility 我们大量验证了多条件聚合物和小分子的生成。气体分离聚合物逆向设计任务以及领域专家的反馈进一步证明了其实用性。 #### Introduction 1. 传统的多条件生成,用100个数据点,每个数据点有三个属性:可合成性,O2和N2的渗透率。单条件diffusion模型生成最多30张图,三个条件生成总共90张图。把每个set的30张图用聚合物属性Oracle排序。然后,我们检查是否可以在不同的条件集中识别满足多属性约束的共享聚合物结构。如果我们找到该聚合物,其排名 K(其中 K 介于 1 到 30 之间)表明考虑到所有条件集,它在列表中出现的位置。找不到就设置成30. 结果是超过一半的聚合物没有满足多种条件。 2. GraphDiT是生成一个图,然后吧这个图分别对三个条件根据Oracle排序 #### experiment dataset分成6:2:2,训练,验证,testing 然后使用一些指标: - molecular validity -- Validity - heavy atom coverage -- Coverage - internal diversity among the generated examples -- Diversity - fragment-based similarity with the reference set -- Similarity - ChemNet Distance with the reference set -- Distance - MAE/Acc 对于分类/数值任务条件(property) - synthetic accessibility score (Synth.) RQ2, dataset一共609,16个用来做测试/reference,剩下的用来training和validation,生成1000个化合物 RQ3,消融实验,把AdaLN和Cluster换掉看看 #### results presentation method 表格 ![image-20240707182656073](http://ff.mhrooz.xyz:4080/2024/07/07/781ebf12aae09.png) 环形图 ![image-20240707183420457](http://ff.mhrooz.xyz:4080/2024/07/07/e33e73f62ea3b.png) ### words gas permeability 气体渗透率 conformation 构象 ## Lift Your Molecules 2406.10513 ### key research question molecular graph generation with 3d generative models Synthetice Coordinate Embedding(SYCo)把分子图映射到欧几里得点云Euclidean point clouds通过synthetic conformer coordinates,使用EGNN学习逆映射 将图生成问题转化为了点云生成问题 ## RAFT 2003.12039 > 4D成本体积可以理解为一个四维矩阵,用于存储图像中所有像素对的相似性信息。假设我们有两幅图像I1和I2,它们的大小都是H×W,则4D成本体积C的维度是H×W×H×W。 > > - **前两个维度(H, W)**:表示图像I1中的每个像素位置。 > - **后两个维度(H, W)**:表示图像I2中的每个像素位置。 > > 对于每一个像素对 (i1, j1) in I1 和 (i2, j2) in I2,在4D成本体积中的对应位置 (i1, j1, i2, j2) 存储了这两个像素的特征相似性。 > > Correlation Volume(相关体积) > > 定义 > > 相关体积是一个多维矩阵,用于存储图像中所有像素对之间的相似性信息。在光流估计中,相关体积通过计算特征向量的内积来衡量像素对之间的相似性。 > > 计算方法 > > 假设我们有两幅图像 I1I1I1 和 I2I2I2,它们的大小都是 H×WH \times WH×W。首先,通过特征提取网络(如卷积神经网络)从两幅图像中提取每个像素的特征向量。然后,对每对像素计算它们特征向量的内积,从而得到相关体积。 > > 公式上,假设 F1F1F1 和 F2F2F2 分别是图像 I1I1I1 和 I2I2I2 的特征图,它们的维度是 H×W×DH \times W \times DH×W×D,则相关体积 CCC 的计算公式为: > > C(i1,j1,i2,j2)=F1(i1,j1)⋅F2(i2,j2)C(i1, j1, i2, j2) = F1(i1, j1) \cdot F2(i2, j2)C(i1,j1,i2,j2)=F1(i1,j1)⋅F2(i2,j2) > > 这里,⋅\cdot⋅ 表示特征向量的内积操作。 > > 特点 > > - **高维度**:对于每对像素,都计算一个相似性值,结果是一个四维矩阵。 > - **全局信息**:包含所有像素对的相似性信息,提供了全局视角。 > Cost Volume(成本体积) > > 定义 > > 成本体积通常用于立体匹配或光流估计中,表示图像中像素匹配的代价或不相似度。成本体积通过计算特征向量之间的某种距离度量(如绝对差异或平方差异)来衡量像素对之间的不相似度。 > > 计算方法 > > 与相关体积类似,成本体积也是通过计算图像中所有像素对的匹配度来构建的。不同之处在于,成本体积通常使用距离度量而不是内积。 > > 公式上,假设 F1F1F1 和 F2F2F2 分别是图像 I1I1I1 和 I2I2I2 的特征图,则成本体积 VVV 的计算公式为: > $$ > V(i1,j1,i2,j2)=∥F1(i1,j1)−F2(i2,j2)∥V(i1, j1, i2, j2) = \| F1(i1, j1) - F2(i2, j2) \|V(i1,j1,i2,j2)=∥F1(i1,j1)−F2(i2,j2)∥ > $$ > > > > > 这里,∥⋅∥\|\cdot\|∥⋅∥ 表示特征向量之间的距离度量,如L2范数(欧氏距离)。 > > 特点 > > - **高维度**:类似于相关体积,成本体积也是一个四维矩阵。 > - **匹配度量**:通过计算特征向量之间的不相似度来表示匹配代价。 > > 总结 > > - **相关体积(Correlation Volume)**:用于表示像素对之间的相似性,通常通过计算特征向量的内积来实现。 > - **成本体积(Cost Volume)**:用于表示像素对之间的匹配代价,通常通过计算特征向量之间的距离度量来实现。 > > 两者都在光流估计和立体匹配中扮演关键角色,通过捕捉图像中像素对的匹配信息,帮助算法更准确地估计光流场或深度图。 ### Key Research Question 一种新的光流深度网络架构。RAFT ### Innovation Point #### abstract RAFT提取每像素特征,为所有的像素对构建多尺度4D correlation volumes,并且迭代更新流场,通过RNN,这个RNN执行查找相关性的体积(corrlation volumns) #### Introduction > 问题:快速移动的物体,遮挡,运动模糊,无纹理表面。之前的是光流是一对图像之间密集位移场空间(space of dense displacement fields between a pair of images) 的手工创建的优化问题。 > > 定义的优化目标包含一个权衡在数据项和正则化项之间 > > 数据项鼓励视觉上相似的图像区域的对齐,正则化项对运动的合理性施加先验 RAFT的优势:准确度,强泛化性,高效率。 新颖性: 1. **高分辨率维护和更新单个固定流场**。在单个高分辨率流场上运行,克服了从粗到细级联的几个限制:在粗分辨率下从错误中恢复的困难,错过小型快速移动物体的倾向,和许多训练迭代需要多阶段级联 2. 比较轻量: 使用更简单的细化模块,在推理过程中应用100多次迭代而不会出分歧。构建没有扭曲和固定分辨率更新的成本量 namely the construction of the cost volume without warping and fixed resolution updates.Devon使用dilated cost volume来处理大位移,这个方法是在多个分辨率下汇集correlation volume 3. **卷积GRU**,4D多尺度相关体积查找。 RAFT的构成: - 特征编码器feature encoder, 为每个像素提取特征向量 - 相关层 correlation layer, 为所有像素对生成4D相关体积,然后进行池化来生成较低分辨率的体积 - 基于GRU的recurrent更新算子(update operator),从相关体积中检索值并迭代更新初始化为零的流场。 - t #### 特征提取 1. 卷积网络,规模/8,D=256, i.e. H x W x 3 => H / 8 x W / 8 x D 2. 特征编码器,六个残差块,2个为1/2分辨率,2个为1/4分辨率,2个为1/8分辨率 3. 上下文网络,从第一个输入图像中提取特征,和特征提取网络架构相同。特征网络$g_\theta$+上下文网络$h_\theta$=第一阶段,只执行一次 #### 计算视觉相似度 ![image-20240708180245088](http://ff.mhrooz.xyz:4080/2024/07/08/410888a43a323.png) ##### Corrlation Pyramid 把上面的相速度换成H x W x H/2^k x W/2\^k,来生成$\{C^1,C^2,C^3,C^4\}$ ##### Correlation lookup $L_C$查找运算符,从Correlation pyramid中进行索引来生成特征图。 给定光流$(f^1,f^2)$的当前估计,我们将$I_1$中的每个像素$x=(u,v)$映射到$I_2$中的估计对应关系(estimated correspondence in $I_2$)$\mathbf{x'} = (u+f^1(u),v+f^2(v))$​ $$ \mathcal{N}(x') = \{x'+dx|dx\in\Z,||dx||+1\leq r\} $$ 使用L1距离的r单位内偏移量的集合,使用局部淋雨从相关量汇总进行索引,双线性采样 使用网格$\mathcal{N}(x'/2^k)_r$对级别k,c^k^的相关量进行索引 ##### 高分辨率图像的高校计算 ![image-20240708224745104](http://ff.mhrooz.xyz:4080/2024/07/08/cce4a853ba46d.png) ### 3.3 Iterative Updates ![image-20240708224935527](http://ff.mhrooz.xyz:4080/2024/07/08/ee582a46764f8.png) ## CoTracker: It is Better to Track Together 2307.07635 ### key research question optical flow ### Innovation Point ### abstract virtual tracks, allows cotracker to track 70k points jointly and simultaneously. operates causally on short windows, online tasks, ### Cotracker #### transformer formulation transformer的目标**是改进track的initial estimate** conv nn提取d维特征,分辨率降低4倍 ##### track features 特征向量$Q_i^t\in\R^d$ ##### correlation features 相关性向量$C_t^i$是通过堆叠内积获得的。 ##### tokens ![image-20240708232239918](http://ff.mhrooz.xyz:4080/2024/07/08/5b71c3335ab78.png) ![image-20240708233539989](http://ff.mhrooz.xyz:4080/2024/07/08/ac8a2fed0e46b.png) ![image-20240708233559704](http://ff.mhrooz.xyz:4080/2024/07/08/ea2fb004c88ba.png) ## Appendix ### Bilinear Sampling 双线性采样(Bilinear Sampling)是一种在图像处理和计算机视觉中常用的插值方法,用于从连续的图像数据中估算出非整数位置的像素值。这种方法通过对周围的四个最近邻像素进行加权平均,从而实现对目标位置像素值的平滑估计。 #### 双线性采样的原理 假设我们要估算图像中某个非整数位置 \( (x, y) \) 的像素值,而该位置周围的四个最近邻像素位于整数坐标 \( (i, j), (i+1, j), (i, j+1), (i+1, j+1) \) 处。双线性采样通过以下步骤计算非整数位置的像素值: 1. **确定权重**:计算目标位置 \( (x, y) \) 与其最近邻的四个像素的水平和垂直距离。 2. **加权平均**:利用计算出的权重,对这四个最近邻像素的值进行加权平均,得到目标位置的估算值。 #### 数学公式 假设我们有图像 \( I \),需要估算位置 \( (x, y) \) 处的像素值。其最近邻的四个像素分别位于 \( I(i, j) \)、\( I(i+1, j) \)、\( I(i, j+1) \)、和 \( I(i+1, j+1) \),则双线性采样的过程如下: 1. **计算水平和垂直距离**: \[dx = x - i\]\[dy = y - j\] 2. **加权平均**: \[ I(x, y) \approx (1 - dx) (1 - dy) I(i, j) + dx (1 - dy) I(i+1, j) + (1 - dx) dy I(i, j+1) + dx dy I(i+1, j+1) \] #### 应用场景 1. **图像变换**:在图像缩放、旋转、平移等几何变换中,双线性采样用于估算变换后新位置的像素值,从而生成新的图像。 2. **纹理映射**:在计算机图形学中,将纹理映射到三维模型时,双线性采样用于计算非整数纹理坐标的像素值,以实现平滑的纹理显示。 3. **光流估计**:在光流估计算法中,例如RAFT,通过双线性采样在相关体积中查找像素对应位置的相似性值,从而实现光流场的更新。 #### 具体例子 假设我们有一个图像 \( I \),需要估算位置 \( (2.5, 3.5) \) 处的像素值,其最近邻像素位于 \( (2, 3) \)、\( (3, 3) \)、\( (2, 4) \)、和 \( (3, 4) \) 处。对应的像素值分别为 \( I(2, 3) = 10 \)、\( I(3, 3) = 20 \)、\( I(2, 4) = 30 \)、和 \( I(3, 4) = 40 \)。 1. 计算水平和垂直距离: \[ dx = 2.5 - 2 = 0.5 \] \[ dy = 3.5 - 3 = 0.5 \] 2. 加权平均: $$\[ $$ I(2.5, 3.5) \approx (1 - 0.5)(1 - 0.5) \cdot 10 + 0.5(1 - 0.5) \cdot 20 + (1 - 0.5)0.5 \cdot 30 + 0.5 \cdot 0.5 \cdot 40 = 0.25 \cdot 10 + 0.25 \cdot 20 + 0.25 \cdot 30 + 0.25 \cdot 40 = 2.5 + 5 + 7.5 + 10 = 25 $$ 所以,位置 \( (2.5, 3.5) \) 的估算像素值为 25。 双线性采样通过上述方法有效地平滑了图像在非整数位置的值,广泛应用于各种图像处理和计算机视觉任务中。